01中心課題とニーズ
系统级编程（尤其是 C++ 生态）中，企业普遍只招资深工程师、不愿投入培养初级工程师，导致资深人才断层、遗留代码库难以维护；同时现有 AI 代码生成工具无法替代资深架构评审，容易掩盖数据竞争、生命周期管理、未定义行为等隐蔽缺陷，团队在缺乏资深把关的情况下交付风险显著上升。
02プロダクト解決策
构建面向 C++ 的 AI 辅助代码评审与知识传承平台：1）基于静态分析（Clang/LLVM、clang-tidy）与 LLM 结合，自动识别数据竞争、生命周期、悬垂指针、未定义行为等隐蔽缺陷，并给出可解释的修复建议；2）将资深工程师的评审意见沉淀为团队知识库与规则集，形成可复用的评审 Agent；3）提供面向初级工程师的交互式学习与评审陪练，缩短成长周期；4）输出架构级风险报告，辅助技术管理层做质量决策。
03収益化と事業モデル
采用 B2B SaaS 订阅制：按开发者席位或代码库规模收费，提供私有化部署选项满足金融、汽车等行业的合规需求；增值服务包括团队评审规则定制、遗留代码库专项审计、初级工程师培训课程与企业内训；后续可通过评审知识库 API 与 IDE 插件生态扩展收入。
04アクション
- 1验证需求：访谈 10–15 家 C++ 团队的技术负责人，确认资深断层与评审资源不足的具体痛点及付费意愿。
- 2构建 MVP：基于 Clang/LLVM 静态分析与 LLM 结合，先聚焦数据竞争、悬垂指针、生命周期三类高价值缺陷的检测与修复建议。
- 3在 3–5 个真实遗留代码库上做基准测试，量化误报率、漏报率与资深工程师评审的一致性。
- 4开发 IDE 插件与 CI/CD 集成，将评审结果嵌入现有开发流程，并沉淀团队评审规则库。
- 5上线初级工程师陪练模式与知识库功能，验证人才培养场景的留存与转化。
- 6选取 2–3 家种子客户做付费试点，打磨私有化部署与合规定制能力。
- 7建立 C++ 缺陷案例库与行业内容营销，通过技术社区与会议获客，逐步扩展语言与场景覆盖。
05リスク
主要风险包括：C++ 语义复杂，AI 检测误报/漏报可能损害信任，需以静态分析为底座控制幻觉；通用 AI 编程助手与大厂工具可能快速跟进，形成竞争挤压；企业私有化部署与合规要求拉长销售周期；资深工程师评审经验难以结构化沉淀，知识库冷启动困难；此外需警惕客户对 AI 替代人工评审的预期管理不当带来的责任风险。